[发明专利]一种用于加速度计测试的激光多普勒测速仪信号降噪方法

说明书

本发明公开的一种用于加速度计测试的激光多普勒测速仪信号降噪方法，属于信号处理领域，本发明实现方法为：模拟出多组纯净的激光多普勒测速仪信号，将激光多普勒测速仪含噪信号分为训练集、验证集和测试集；搭建CNN‑LSTM神经网络，使用训练集和验证集进行神经网络的训练及验证，得到权重参数，使用权重参数对模拟测试集和实测信号进行处理，得到CNN‑LSTM降噪结果；对所得CNN‑LSTM降噪结果进行CEEMD处理，得到各IMF分量；将各IMF分量进行分组，对不同分组信号使用对应的小波阈值进行降噪，将不同分组的降噪结果相加得到降噪结果信号，实现对用于加速度计测试的激光多普勒测速仪信号的高效精准降噪处理，进而提高加速度计测试的精度。

技术领域

本发明涉及一种用于加速度计测试的激光多普勒测速仪信号降噪方法，尤其涉及基于CNN-LSTM、CEEMD及小波阈值的用于加速度计测试的激光多普勒测速仪信号降噪方法，属于信号处理领域。

背景技术

激光多普勒测速仪具有无接触测量、动态响应快、测量范围广、精度高等优点，被广泛应用于各领域中。在加速度计测试中，激光多普勒测速仪通常与光栅合作来测量加速度计的速度，结合加速度计的输出信号可计算得到加速度计的参数特性。

解调激光多普勒测速仪输出的多普勒信号可得到频率信号，进而计算得到加速度计的速度和加速度信号。但是激光多普勒测速仪信号不可避免地被各种来源的噪声污染，包括合作光栅的微振动和冲击导致的环境噪声等，这些噪声使激光多普勒测速仪信号的解调变得困难，进而降低了加速度计测试的精度。

现有的激光多普勒测速仪信号降噪方法主要包括小波变换等传统方法，降噪精度有限。目前还少见使用深度学习对用于加速度计测试的激光多普勒测速仪信号进行降噪的方法，深度学习如CNN和LSTM等可以实现较高精度的降噪。但CNN忽略了时间信息而LSTM的特征提取能力有限。深度学习的降噪能力受限于训练数据的数量，且会将具有信号特征的噪声识别为信号，进而导致对低频率段的激光多普勒测速仪信号降噪效果不佳。因此开发一种能够准确有效地降低用于加速度计测试的激光多普勒测速仪信号噪声的方法是很有必要的。

发明内容

针对现有的用于加速度计测试的激光多普勒测速仪信号降噪精度不足的问题，本发明的主要目的是提供一种用于加速度计测试的激光多普勒测速仪信号降噪方法，根据加速度计测试数据参数模拟出多组纯净的激光多普勒测速仪信号，再模拟出多组噪声，将激光多普勒测速仪纯净信号与噪声以预定范围内的信噪比进行结合得到激光多普勒测速仪含噪信号，将激光多普勒测速仪含噪信号分为训练集、验证集和测试集；搭建CNN-LSTM神经网络，使用训练集和验证集进行神经网络的训练及验证，得到权重参数，使用权重参数对模拟测试集和实测信号进行处理，得到CNN-LSTM降噪结果；对所得CNN-LSTM降噪结果进行CEEMD处理，得到各IMF分量；将各IMF分量进行分组，对不同分组信号使用对应的小波阈值进行降噪，将不同分组的降噪结果相加得到激光多普勒测速仪信号的降噪结果信号，实现对用于加速度计测试的激光多普勒测速仪信号的高效精准降噪处理，进而提高加速度计测试的精度。CNN-LSTM相对于CEEMD加小波阈值能够更加精准有效地降低激光多普勒测速仪信号噪声，但降噪效果受限于训练数据的数量，且会将具有信号特征的噪声识别为信号。使用相同数量的训练数据，使用CEEMD与小波阈值对CNN-LSTM降噪结果进行降噪处理，能够进一步降低噪声提高信噪比，即CNN-LSTM、CEEMD与小波阈值结合相比于CNN-LSTM单独使用能够有效地降低具有信号特征的噪声，实现高精度降噪。

本发明的目的是通过以下技术方案实现的。

本发明公开的一种用于加速度计测试的激光多普勒测速仪信号降噪方法，包括如下步骤：

S1，根据加速度计测试数据参数模拟出多组纯净的激光多普勒测速仪信号，再模拟出多组噪声，将激光多普勒测速仪纯净信号与噪声以预定范围内的信噪比进行结合得到激光多普勒测速仪含噪信号，将激光多普勒测速仪含噪信号分为训练集、验证集和测试集。